LPPool2d ¬

class torch.nn.LPPool2d(norm_type, kernel_size, stride=None, ceil_mode=False)[source][source] ¬

对由多个输入平面组成的输入信号应用 2D 幂平均池化。

每个窗口上计算的功能是：

$$f(X) = \sqrt[p]{\sum_{x \in X} x^{p}}$$

• 在 p = $\infty$ 时，得到最大池化

• 在 p = 1 时，得到求和池化（与平均池化成比例）

参数 kernel_size 、 stride 可以是：

• 单一的 int –在这种情况下，高度和宽度维度使用相同的值

• 两个整数的 tuple –在这种情况下，第一个整数用于高度维度，第二个整数用于宽度维度

注意

如果求和的 p 次幂为零，则该函数的梯度未定义。在这种情况下，此实现将梯度设置为零。

参数:

• 核大小（Union[int, tuple[int, int]]）– 窗口的大小

• 步长（Union[int, tuple[int, int]]）– 窗口的步长。默认值为 kernel_size

• ceil_mode（布尔值）- 当为 True 时，将使用向上取整而不是向下取整来计算输出形状

形状：

• 输入： $(N, C, H_{in}, W_{in})$ 或 $(C, H_{in}, W_{in})$ 。

• 输出： $(N, C, H_{out}, W_{out})$ 或 $(C, H_{out}, W_{out})$ ，其中

  $$H_{out} = \left\lfloor\frac{H_{in} - \text{kernel\_size}[0]}{\text{stride}[0]} + 1\right\rfloor$$
  $$W_{out} = \left\lfloor\frac{W_{in} - \text{kernel\_size}[1]}{\text{stride}[1]} + 1\right\rfloor$$

示例：

>>> # power-2 pool of square window of size=3, stride=2
>>> m = nn.LPPool2d(2, 3, stride=2)
>>> # pool of non-square window of power 1.2
>>> m = nn.LPPool2d(1.2, (3, 2), stride=(2, 1))
>>> input = torch.randn(20, 16, 50, 32)
>>> output = m(input)